[python] 튜플은 파이썬의 목록보다 더 효율적입니까?

요약

튜플은 거의 모든 범주의 목록보다 성능이 우수합니다 .

1) 튜플은 일정하게 접을 수 있습니다 .

2) 튜플은 복사하는 대신 재사용 할 수 있습니다.

3) 튜플은 콤팩트하며 과도하게 할당되지 않습니다.

4) 튜플은 해당 요소를 직접 참조합니다.

튜플은 일정하게 접을 수 있습니다

튜플 상수는 Python의 틈새 최적화 도구 또는 AST 최적화 도구로 사전 계산할 수 있습니다. 반면에 목록은 처음부터 작성됩니다.

    >>> from dis import dis

    >>> dis(compile("(10, 'abc')", '', 'eval'))
      1           0 LOAD_CONST               2 ((10, 'abc'))
                  3 RETURN_VALUE

    >>> dis(compile("[10, 'abc']", '', 'eval'))
      1           0 LOAD_CONST               0 (10)
                  3 LOAD_CONST               1 ('abc')
                  6 BUILD_LIST               2
                  9 RETURN_VALUE 

튜플은 복사 할 필요가 없습니다

달리기 tuple(some_tuple)는 즉시 그 자체로 돌아갑니다. 튜플은 변경할 수 없으므로 복사 할 필요가 없습니다.

>>> a = (10, 20, 30)
>>> b = tuple(a)
>>> a is b
True

반대로 list(some_list)모든 데이터를 새 목록으로 복사해야합니다.

>>> a = [10, 20, 30]
>>> b = list(a)
>>> a is b
False

튜플은 과도하게 할당되지 않습니다

튜플의 크기는 고정되어 있기 때문에 append () 연산을 효율적으로 수행 하기 위해 초과 할당해야하는 목록보다 더 컴팩트하게 저장할 수 있습니다 .

이것은 튜플에게 멋진 공간 이점을 제공합니다.

>>> import sys
>>> sys.getsizeof(tuple(iter(range(10))))
128
>>> sys.getsizeof(list(iter(range(10))))
200

Objects / listobject.c 의 주석은 다음과 같습니다 .

/* This over-allocates proportional to the list size, making room
 * for additional growth.  The over-allocation is mild, but is
 * enough to give linear-time amortized behavior over a long
 * sequence of appends() in the presence of a poorly-performing
 * system realloc().
 * The growth pattern is:  0, 4, 8, 16, 25, 35, 46, 58, 72, 88, ...
 * Note: new_allocated won't overflow because the largest possible value
 *       is PY_SSIZE_T_MAX * (9 / 8) + 6 which always fits in a size_t.
 */

튜플은 요소를 직접 참조합니다

객체에 대한 참조는 튜플 객체에 직접 통합됩니다. 대조적으로, 목록에는 외부 포인터 배열에 대한 추가 간접 계층이 있습니다.

이렇게하면 튜플에 색인 조회 및 포장 풀기에 작은 속도 이점이 있습니다.

$ python3.6 -m timeit -s 'a = (10, 20, 30)' 'a[1]'
10000000 loops, best of 3: 0.0304 usec per loop
$ python3.6 -m timeit -s 'a = [10, 20, 30]' 'a[1]'
10000000 loops, best of 3: 0.0309 usec per loop

$ python3.6 -m timeit -s 'a = (10, 20, 30)' 'x, y, z = a'
10000000 loops, best of 3: 0.0249 usec per loop
$ python3.6 -m timeit -s 'a = [10, 20, 30]' 'x, y, z = a'
10000000 loops, best of 3: 0.0251 usec per loop

튜플 (10, 20)을 저장 하는 방법은 다음과 같습니다 .

    typedef struct {
        Py_ssize_t ob_refcnt;
        struct _typeobject *ob_type;
        Py_ssize_t ob_size;
        PyObject *ob_item[2];     /* store a pointer to 10 and a pointer to 20 */
    } PyTupleObject;

목록 [10, 20]이 저장되는 방법은 다음과 같습니다 .

    PyObject arr[2];              /* store a pointer to 10 and a pointer to 20 */

    typedef struct {
        Py_ssize_t ob_refcnt;
        struct _typeobject *ob_type;
        Py_ssize_t ob_size;
        PyObject **ob_item = arr; /* store a pointer to the two-pointer array */
        Py_ssize_t allocated;
    } PyListObject;

튜플 객체는 두 개의 데이터 포인터를 직접 통합하는 반면 목록 객체는 두 개의 데이터 포인터를 보유하는 외부 배열에 대한 추가 간접 계층을 갖습니다.

답변

In [11]: %timeit list(range(100))
749 ns ± 2.41 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

In [12]: %timeit tuple(range(100))
781 ns ± 3.34 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

In [1]: %timeit list(range(1_000))
13.5 µs ± 466 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

In [2]: %timeit tuple(range(1_000))
12.4 µs ± 182 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

In [7]: %timeit list(range(10_000))
182 µs ± 810 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [8]: %timeit tuple(range(10_000))
188 µs ± 2.38 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [3]: %timeit list(range(1_00_000))
2.76 ms ± 30.5 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [4]: %timeit tuple(range(1_00_000))
2.74 ms ± 31.8 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [10]: %timeit list(range(10_00_000))
28.1 ms ± 266 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [9]: %timeit tuple(range(10_00_000))
28.5 ms ± 447 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [3]: l = np.array([749 * 10 ** -9, 13.5 * 10 ** -6, 182 * 10 ** -6, 2.76 * 10 ** -3, 28.1 * 10 ** -3])

In [2]: t = np.array([781 * 10 ** -9, 12.4 * 10 ** -6, 188 * 10 ** -6, 2.74 * 10 ** -3, 28.5 * 10 ** -3])

In [11]: np.average(l)
Out[11]: 0.0062112498000000006

In [12]: np.average(t)
Out[12]: 0.0062882362

In [17]: np.average(t) / np.average(l)  * 100
Out[17]: 101.23946713590554